一种基于深度学习的船舶动力系统故障诊断方法技术方案

本发明专利技术公开了船舶故障诊断技术领域的一种基于深度学习的船舶动力系统故障诊断方法，包括以下步骤：划分船舶动力系统：根据船舶动力系统主机类型，将动力系统进行细分，主要划分为动力系统、动力系统模块、动力系统设备、动力系统参数，本发明专利技术针对低/零碳船舶动力系统故障诊断问题，本发明专利技术涵盖现在乃至未来发展的多个动力系统，提出了一种适用于多个动力系统的基于数据挖掘和深度学习的故障诊断算法，填补了低/零船舶动力系统故障诊断领域的研究空白，相比于其他领域的发动机故障诊断算法，本专利涉及的动力系统参数和故障数据更多，故障诊断精度更高，通用性更强。通用性更强。通用性更强。

【技术实现步骤摘要】
一种基于深度学习的船舶动力系统故障诊断方法


[0001]本专利技术涉及船舶故障诊断
，特别是涉及一种基于深度学习的船舶动力系统故障诊断方法。

技术介绍

[0002]随着信息技术的快速发展，特别是大数据、人工智能、物联网等技术的突飞猛进，信息技术将对工业体系和船舶行业带来重大的技术变革，数据作为未来信息化时代的重要载体，将物质流、信息流、能量流通过数据流的形式体现，未来，船舶行业将利用大数据技术，通过现代化信息管理手段，获取、挖掘并整合海量的信息和数据，可以为船舶动力系统故障诊断提供重要的这辅助和支撑作用。
[0003]但船舶动力系统存在安全管控技术不成熟、健康状态评估可信度低、运维支持决策依据不充分等问题，并且船舶动力系统结构复杂，子系统和设备众多，并且各个子系统还具有强耦合性和非线性的特点，如果仅仅依靠操作人员的经验判断，往往很难快速定位故障原因，从而可能导致延误故障的最佳时机，导致故障严重程度升级，因此，在动力系统发生故障时，准确定位故障设备，快速分析出故障原因对于保障航行安全十分重要，因此需要船舶动力系统故障诊断这一关键技术。
[0004]中国专利CN111860775A公开了一种基于CNN和RNN融合的故障诊断方法，该方法可用于船舶故障实时诊断，首先利用船舶历史数据建立船舶特征参数之间的相关性矩阵用来表征属性之间的关系，然后添加滑动窗口采集窗口内的多传感器原始数据进行相关性处理，将处理后的多变量时间序列作为卷积神经网络的输入，由卷积神经网络自动提取故障特征，最后将提取的特征向量重组后作为循环神经网络的输入，进行故障的分类，该方法采用CNN提取特征不完全适配于所有的动力系统故障数据，并且采用RNN可能会出现梯度消失的问题。
[0005]中国专利CN112810772A公开了一种基于多维特征知识提取的船舶设备故障诊断方法及设备，该专利通过获取目标船舶设备的检测数据，根据目标船舶设备的监测数据和船舶故障诊断知识图谱，获取目标船舶设备的故障诊断结果，利用知识图谱构建共现矩阵，根据共现矩阵对故障诊断结果进行贡献分析，只是各故障原因共同出现的概率，该方法的故障诊断精度比较依赖于知识图谱，可能存在无法获取潜在的故障信息的问题。
[0006]中国专利CN115859184公开了一种基于联合学习的船舶故障诊断模型系统，船舶发送船舶设备数据集，云服务器将全局模型和模型聚合间隔发送至船务代理，船务代理接受后使用本地样本数据集训练局部样本，并发送至云服务器，对测试数据集进行故障诊断分类得到故障诊断结果，该方法主要采用卷积神经网络进行训练，并不能完全适用于所有的数据集，且联合学习共享的模型参数可能存在一定的隐私安全隐患。

技术实现思路

[0007]针对上述问题，本专利技术提供了一种基于深度学习的船舶动力系统故障诊断方法，
通过数据挖掘和深度学习的故障诊断算法，填补了低/零船舶动力系统故障诊断领域的研究空白。
[0008]本专利技术的技术方案是：
[0009]一种基于深度学习的船舶动力系统故障诊断方法，包括以下步骤：
[0010]S1、划分船舶动力系统：根据船舶动力系统主机类型，将动力系统进行细分，主要划分动力系统模块、动力系统设备、动力系统参数；
[0011]且所述动力系统包括：内燃机动力系统、燃料电池动力系统和纯电动力系统；
[0012]S2、数据采集和处理：按需要对船舶动力系统中的各种参数进行数据采集和处理，将相关的设备信息和动力系统参数对应起来，统一划分到一个模块中，将故障信息以及对应的动力系统参数做对应，并做数据预处理，存放到数据库中；
[0013]S3、模型选择和设计：选择适合船舶动力系统故障诊断的深度学习模型，所述模型为：LSTM模型；
[0014]S4、模型训练和验证：使用处理好的数据集对深度学习模型进行训练，并使用验证集对模型进行测试和调整，以保证模型的准确性和鲁棒性；
[0015]S5、实时故障诊断：将训练好的深度学习模型部署到船舶动力系统中，实时监测船舶动力系统的各项参数，并通过模型进行故障诊断和检测；
[0016]S6、模型优化和更新：对深度学习模型进行优化和更新，提高模型的准确性和鲁棒性。
[0017]在进一步的技术方案中，所述步骤S1中内燃机动力系统包括船舶发动机体、进排气系统、燃油系统、冷却系统。
[0018]在进一步的技术方案中，所述燃料电池动力系统包括氢燃料电池堆、空气供给系统、氢气供给系统、安全和监控装置、水热管理装置。
[0019]在进一步的技术方案中，所述纯电动力系统包括驱动电机、动力电池组和控制器。
[0020]在进一步的技术方案中，所述步骤S2中数据处理包括以下步骤：
[0021]S21、依据故障信息所在的设备，将故障信息划分到对应的动力系统模块中，并建立动力系统故障树图；
[0022]S22、根据动力系统故障树图，将故障信息和对应的动力系统模块存放入数据库中；
[0023]S23、将数据库中的数据提取出来，通过数据清洗、数据处理和特征提取等，并做相关性处理和数据融合。
[0024]在进一步的技术方案中，所述步骤S4中对模型的模型训练和验证包括以下步骤：
[0025]S41、在训练模型中构建多个“小网络”，即为每一个船舶动力系统设备构建一个基于LSTM的深度神经网络，并将一段时间内该设备相关的动力系统参数组成一组向量，输入到神经网络中进行迭代学习和提取相关特征，利用神经网络进行故障诊断，多个所述“小网络”将构成整个系统的故障诊断神经网络集合；
[0026]S42、所述神经网络由两层的BP神经网络和LSTM组成，将输入数据经过预处理后发送到BP神经网络中，利用全连接神经网络提取故障数据的特征，并输出到LSTM层，LSTM层将所有向量对应的信息作为整体进行处理，最终LSTM会使用Softmax作归一化处理，作故障分类并输出故障诊断结果；
[0027]S43、所述故障诊断结果与数据库中的故障信息相关，且每个设备的神经网络模型输出一组与该设备相关的故障的概率向量，将该概率分布向量与真实分布进行比较，进而预测标签和真实标签对比获得误差，随后使用Adam算法的优化器以交叉熵作为误差函数，对神经网络模型权重进行更新优化，并调整隐含层的节点数，直到神经网络模型的准确度和鲁棒性达到要求。
[0028]在进一步的技术方案中，所述步骤S5中实时故障诊断包括以下步骤：
[0029]S51、从数据存储中提取船舶动力系统的近期历史数据，依据动力系统模块及设备构建样本集，采用本文所设计的神经网络进行故障诊断，训练并优化网络直至验证通过；
[0030]S52、将训练好的神经网络部署到船舶动力系统中，实时获取船舶动力系统数据，将数据传输到数据存储中进行存储，并作数据清洗、数据处理和特征提取等数据融合技术；
[0031]S53、将数据做基于专家知识的仿真分析，将仿真结果传输到数字孪生体，实时监测数字孪生体中的数据，依据数字本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的船舶动力系统故障诊断方法，其特征在于：包括以下步骤：S1、划分船舶动力系统：根据船舶动力系统主机类型，将动力系统进行细分，主要划分为动力系统模块、动力系统设备、动力系统参数；且所述动力系统包括：内燃机动力系统、燃料电池动力系统和纯电动力系统；S2、数据采集和处理：按需要对船舶动力系统中的各种参数进行数据采集和处理，将相关的设备信息和动力系统参数对应起来，统一划分到一个模块中，将故障信息以及对应的动力系统参数做对应，并做数据预处理，存放到数据库中；S3、模型选择和设计：选择适合船舶动力系统故障诊断的深度学习模型，所述模型为：LSTM模型；S4、模型训练和验证：使用处理好的数据集对深度学习模型进行训练，并使用验证集对模型进行测试和调整，以保证模型的准确性和鲁棒性；S5、实时故障诊断：将训练好的深度学习模型部署到船舶动力系统中，实时监测船舶动力系统的各项参数，并通过模型进行故障诊断和检测；S6、模型优化和更新：对深度学习模型进行优化和更新，提高模型的准确性和鲁棒性。2.根据权利要求1所述的一种基于深度学习的船舶动力系统故障诊断方法，其特征在于：所述步骤S1中内燃机动力系统包括船舶发动机体、进排气系统、燃油系统、冷却系统。3.根据权利要求1所述的一种基于深度学习的船舶动力系统故障诊断方法，其特征在于：所述燃料电池动力系统包括氢燃料电池堆、空气供给系统、氢气供给系统、安全和监控装置、水热管理装置。4.根据权利要求1所述的一种基于深度学习的船舶动力系统故障诊断方法，其特征在于：所述纯电动力系统包括驱动电机、动力电池组和控制器。5.根据权利要求1所述的一种基于深度学习的船舶动力系统故障诊断方法，其特征在于：所述步骤S2中数据处理包括以下步骤：S21、依据故障信息所在的设备，将故障信息划分到对应的动力系统模块中，并建立动力系统故障树图；S22、根据动力系统故障树图，将故障信息和对应的动力系统模块存放入数据库中；S23、将数据库中的数据提取出来，通过数据清洗、数据处理和特征提取等，并做相关性处理和数据融合。6.根据权利要求...

【专利技术属性】
技术研发人员：任效江，郭晖，刘沁炆，万文康，敖磊，盛凯，
申请(专利权)人：西安电子科技大学广州研究院，
类型：发明
国别省市：